作者：姚金鑫-J叔（ Johnson_in_AI ）
我有一个习惯，隔几天和业界大佬们坐会儿，聊聊天。之前ARM中国的CEO Allen Wu，本身也有在投资一些项目，有一次去找Allen的时候，他提到了之前Tenstorrent的Ljubisa Bajic，说离开后搞了个新项目还是做AI芯片，只是说要把AI模型直接固化在芯片里，出厂之后就不能再改了。
Allen问我怎么看。
就像我之前专门写文章分析Groq（ ）一样：只要别考虑泛化能力，性能和产品化大概率会非常好。至于生意做不做得成，那就是另一回事了。
后来， Ljubisa 真的把芯片做出来了。而就在昨天，AMD宣布把这家公司整个买了下来，这家公司叫Taalas。。
整个公司只有二十几个人，没有公开的大客户，唯一的产品HC1，规格看起来也很粗糙：N6工艺，815个平方，530亿个晶体管，功耗250W左右，但，没有HBM，没有外部DRAM，只能运行一个模型，Llama 3.1 8B。
当大多数厂商（尤其是国产AI芯片厂商）还在拼命增加通用性、支持更多模型、更多精度、更多算子的时候，Taalas朝着完全相反的方向走向了另一个极端。
那这件事情就有意思了，老读者应该知道，我这个核芯洞察公众号的一贯调性，就是从一些行业发生的蛛丝马迹里，找到一些可以窥视发展趋势的信号。
今天我们就来核芯洞察一下：为什么一颗只能跑一个模型的芯片，开始有了真实的产业价值？
一、把模型刻进芯片：一次极端的取舍
稍微先做个铺垫，解释一下一般的GPU是怎么跑模型的。
模型的权重（也就是训练出来的那几百亿个参数）平时存放在HBM这种高速内存里。推理的时候，GPU不断把权重从内存搬出来，送进计算单元做矩阵运算，算完再取下一批。换模型，本质上就是换一份权重数据。
这套模式最大的好处是灵活：同一颗GPU今天跑千问，明天跑DeepSeek，后天跑一个刚刚发布的新模型，硬件不用动。
凡事都有代价，每生成一个Token，都要把海量权重在内存和计算单元之间搬一遍。这就像一个厨师做每一道菜，都得把整个仓库的食材搬到操作台上再搬回去——搬运本身消耗了大部分时间和电力。
Taalas的做法是：不搬了，把食材直接砌进灶台。
HC1把Llama 3.1 8B的权重写进了芯片内部的Mask ROM（掩膜只读存储器），连一部分数据流的走向都跟着一起固化。芯片一旦流片完成，它天生就是一台Llama 3.1 8B推理机，不是"被配置成"，而是"就是"。
想换模型怎么办？改两层掩膜，重新造一批芯片。Taalas给出的周期大约两个月。
这当然把GPU最值钱的通用性彻底扔掉了，trade-off换来了：
不需要昂贵的HBM；
不需要CoWoS这类先进封装去连接计算芯片和内存；
权重不再来回搬运，省时间和功耗；
那些原本为了"可编程"而付出的面积、控制逻辑和调度开销，也可以省了。
看看这么极致的效果，按照Taalas公布的夸张数字：在1K输入、1K输出的Llama 3.1 8B测试中，单用户可达16,960 tokens/s，每百万Token成本0.75美分。
不过这个数据出自Taalas自己的测试，可能需要打折看，毕竟模型可能被激进量化，上下文长度也很短，和真实生产环境差距不小。但即便打上很大的折扣，它依然说明了一件事：
模型必须随时可换这个约束，本身就吃掉了AI芯片相当大的一部分性能空间。
这才是Taalas真正有意思的地方。它在思考一个新问题——AI芯片，到底需要多通用？
二、旧思想遇上新时机：Agent把Token速度变成了钱
平心而论，Taalas的技术思想并不新鲜。专用ASIC、Gate Array，这些概念在半导体行业里存在了几十年，成功和失败都有案例。
现如今，变的不是技术，是工作负载。
本来嘛，AI基础设施的重心在训练。大家关心的是用多少张GPU、多大算力、多少HBM，可以把更大的模型训出来。芯片的通用性在训练场景里是刚需——模型结构天天在改。
当大模型进入大规模应用，推理的分量迅速上升。而Agent的兴起，又把推理系统的性能要求整个换了一套。
大模型在传统聊天场景里，真正的瓶颈是人的阅读理解速度，一秒生成50个Token还是150个Token，对读的人来说体验差别有限，人机交互带宽有点窄。
Agent不一样，它不用给人看，它给自己看，机器的理解速度那就不知道高到哪里去了。
假设一个Agent要连续执行50个步骤，每步产生500个Token，一次任务就是顺序生成25,000个Token：
200 tokens/s：需要2分钟；
1,200 tokens/s：需要20秒；
12,000 tokens/s：理论上2秒。
同一个任务，用户体验从"泡一壶茶回来看结果"变成"点一下就出来"。当AI开始替人连续调用工具、写代码、查资料、跑分析，Token的生成速度本身就变成了商业价值——这也是NVIDIA为什么要把Interactivity（每个用户每秒拿到多少Token）单独拎出来，作为AI服务的一个等级指标。
问题在于，GPU想把单用户的Decode速度继续往上推，越来越难。
Decode阶段天生受制于内存带宽。而模型越大，参数就必须切分到更多GPU上，于是每生成一个Token，都伴随着GPU之间的大量同步和通信。以DeepSeek-V3这类大型MoE模型为例，Tensor Parallel带来All-Reduce，MoE的专家分发与回收又制造出大量All-to-All流量。
计算单元越强，这个矛盾越尖锐：在众所周知的内存墙之外，一道通讯墙正在浮现。
于是我们看到了一批思路完全不同的推理架构：
Groq：把权重塞进片上SRAM，用容量换极低延迟；（请看我之前的分析文章）
Cerebras：整片晶圆做成一颗芯片，从物理上消灭多芯片通信；（请看我之前的分析文章）
Taalas：更极端，干脆让模型成为芯片的组成部分。
这些案例可以看出：推理时代的AI芯片，正在从对泛化能力的要求，扩展到把某一类Token生产任务做得更快、更便宜的要求。
三、AMD如何定位Taalas？
此前不久其实就在不久前，AMD刚刚宣布与Cerebras合作。按双方公开的架构设想，Helios负责Prefill（把长长的输入一次读进去），Cerebras负责高速Decode（一个一个往外吐Token）。按说AMD应该不缺一个高速的Decode方案，这个位置已经有人了。
那他为什么收购Taalas呢。所以J叔认为Taalas在AMD有更明确的定位。
一：技术应用： Speculative Decoding
这里不得不提一下最近开始火起来的Speculative Decoding（投机解码），它的逻辑是：让一个小模型飞快地写出一批候选Token，再交给大模型一次性验证。小模型只负责快，不负责对；大模型只负责审，不负责写。
举个例子：让一个打字飞快但不太可靠的实习生先出草稿，资深专家审一遍——审稿比重写快得多。其实现在很多人的AI写作也差不多是这个意思！
这么看来，这简直天然是Taalas完美匹配的场景。小模型、版本固定、长期运行、只求速度——其他所有对Taalas的要求，在这个场景下都被削弱了：Draft Model本来就该长期冻结，模型能不能随便换无所谓。就算偶尔出现一些错误，验证模型也会把错的Token直接扔掉。
二：系统视角：MoE专家引擎
这一条其实更值得每一个芯片产品经理关注。
大型的MoE模型有海量的Expert参数。训练一结束，这些权重基本就固定不动了；而每个Token，只会激活其中很少的几个Expert。
想象一个几百人的专家团，每来一个问题只找其中两三位，而每位专家的知识库常年不变、被反复查阅。
对应到推理过程对芯片硬件的需求，数据量大、内容固定、反复读取、稀疏访问这四条，正好是ROM最擅长的活。
顺着这个思路，未来AMD的推理系统可以把Transformer从中间拆开：
AMD的GPU负责Attention和KV Cache（管记忆），Taalas负责FFN或MoE Expert（管知识），两边只交换中间的Activation。
NVIDIA已经在Rubin与Groq LPX的组合中公开提出了类似架构，叫Attention-FFN Disaggregation，简称AFD。
如果AMD也沿这条路走，Taalas的定位就完全不同了。它不必独立扛起整个模型，也不必自己保存动辄几十万Token的KV Cache——它只需要把自己最擅长的那一段做到极致。
三：商业模式：AMD最熟悉的半定制生意
AMD在过去的显卡时代，一直在给PlayStation和Xbox做半定制SoC，客户提需求、承诺采购量，AMD按需求定制芯片。这是AMD在业内做得最顺、也最赚钱的一门生意之一。
AI时代很可能出现同样的模式。
一家超大规模云厂商或模型公司，冻结一个准备用6到12个月的模型版本；AMD提供标准的Helios计算系统，同时为这个特定模型定制一层Model-Specific Silicon。
这样一来，Taalas就不再是一颗只能跑一个模型的怪芯片，而是AMD整套AI系统里的一个可定制模块。
这门生意，从系统视角的商业模式来看，那比单独卖HC1值钱得多，关键是，可以在AI factory这个世代，逐步蚕食Nvidia英伟达的份额。
这才是最重要的一点，也是我们这篇核芯洞察分析文章中最为创新且独立的视角！
四、Transformer正在被拆开，计算解耦是趋势
计算解耦是J叔这两年最常说的话题(内含解读P-D分离的文章：)，借着这次的收购我们再深入地掰扯一下。
我们习惯把一颗GPU当作模型运行的基本单位，Attention、FFN、KV Cache、权重、控制逻辑，全部由同一种计算平台包办。AFD这类架构开始动摇这个习惯，因为这些工作负载本来就完全不同：
Attention：高度依赖KV Cache，上下文越长，越吃内存容量和内存带宽；
FFN / MoE Expert：本质是在大量固定权重上做矩阵计算，吃的是算力密度；
投机解码的小模型：只要求极低延迟，对容量和算力都不敏感。
以前之所以都塞进GPU，技术上的原因主要是因为芯片之间通信太贵，拆开不划算。现在模型规模越来越大、Token速度要求越来越高，把不同的活交给不同的硬件，经济上的意义更合算。
这样一来，就很明显可以看到一个趋势，以后的AI计算计算系统就得解耦，需要从单一加速器走向解耦式AI系统。
那如果计算一旦被拆开，系统就会遇到另一个问题：芯片之间，怎么连？
如果GPU保管KV Cache、Taalas负责Expert，那么每生成一个Token，Activation都要在两边跑一趟。此时决定系统性能的，是一批过去容易被忽略的指标：带宽、延迟、抖动、带宽密度，以及每比特传输的功耗。
这就是另一个趋势：AI Fabric的地位也会快速上升。AI计算越异构，Fabric越关键。
今天这类连接还能靠高速以太网、PCIe和专用Scale-Up互联撑住。但当解耦从芯片级扩展到板级、机架级乃至超节点级，铜互联在距离、功耗和带宽密度上的压力会越来越难掩盖。
Optical I/O、NPO、CPO，以及更彻底的光Fabric，会因此拿到新的系统级需求。从这个角度看，光互联未来要干的事远远超出连接GPU，它要连接的是性质各异的计算资源、内存资源，和各种各样的专用加速器。
J叔正在做这项工作，所期望努力达到的目标，其长远意义就在于此。
五、Taalas的这笔交易，对AI芯片产业的三个启示
最后我们聊聊这笔交易对我们的启示，毕竟产业分析是咱核芯洞察这个号最基本的调性！
第一，GPU之外的架构创新空间，比想象的大得多。
芯片产品经理们，不要只想着做一颗国产GPU。随着推理占比上升，值得做的事情还挺多：Decode Engine、KV Cache系统、MoE Expert引擎、内存扩展、Model-Specific Silicon、AI Fabric，每一个都可能长出独立的产品，甚至独立的公司。
第二，模型和芯片需要进入真正的协同设计。
传统上，都是先训完模型，再想办法部署到现成的芯片上。
但如果应用场景适合模型冻结一段时间，那么量化方案、MoE结构、Sliding Window Attention、MLA，甚至KV Cache的组织方式，都可以提前进入芯片设计阶段。
这么说来，模型就可能成为芯片设计的输入之一。
第三，评价一家AI芯片公司的方式要改了。
算力和显存的评价方式远远落伍了，以后更重要的问题应该是："这颗芯片，在整个Token生产系统里负责哪一段？"
这是两种完全不同的产品思路，也对应着两种完全不同的公司。
J叔一贯喜欢做的，就是对未来有预见的事情。这并不是赌，而是深度分析之后的确定性。这一点，不论是对产品定义，还是对投资决策，都有重要的意义！
（本文作者姚金鑫-J叔为独角兽芯片公司产品与供应链负责人，CCF高性能计算专委会执行委员，如果希望进一步交流行业问题，可添加微信（Johnson_in_AI），请注明公司、职位）。本文不构成投资建议。）
热门跟贴